本技術(shù)涉及水質(zhì)預(yù)測(cè)，特別是涉及一種城市河網(wǎng)水質(zhì)的預(yù)測(cè)方法及裝置。

背景技術(shù)：

1、隨著科技的不斷發(fā)展，人們的環(huán)保意識(shí)也越來(lái)越強(qiáng)。城市河網(wǎng)作為重要的淡水資源之一，正面臨著自然變化和人類活動(dòng)的雙重干擾。水質(zhì)控制和防治已成為可持續(xù)發(fā)展面臨的重大挑戰(zhàn)。家庭消費(fèi)、工業(yè)、農(nóng)業(yè)和生態(tài)系統(tǒng)健康都離不開(kāi)良好的水質(zhì)。相關(guān)技術(shù)對(duì)城市河網(wǎng)水質(zhì)的預(yù)測(cè)往往會(huì)使用傳統(tǒng)水動(dòng)力水質(zhì)模型，但是傳統(tǒng)水動(dòng)力水質(zhì)模型對(duì)城市河網(wǎng)水質(zhì)的預(yù)測(cè)的準(zhǔn)確性較差。因此，如何提高城市河網(wǎng)水質(zhì)的預(yù)測(cè)的準(zhǔn)確性對(duì)成為了本領(lǐng)域技術(shù)人員亟需解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、基于上述問(wèn)題，本技術(shù)提供了一種城市河網(wǎng)水質(zhì)的預(yù)測(cè)方法及裝置以提高城市河網(wǎng)水質(zhì)的預(yù)測(cè)的準(zhǔn)確性，本技術(shù)提供了一種城市河網(wǎng)水質(zhì)的預(yù)測(cè)方法，所述方法包括以下步驟：

2、獲取目標(biāo)城市河網(wǎng)補(bǔ)水口處的一段時(shí)間內(nèi)的歷史水質(zhì)數(shù)據(jù)、目標(biāo)城市河網(wǎng)補(bǔ)水口處一段時(shí)間內(nèi)的歷史流量數(shù)據(jù)、所述目標(biāo)城市一段時(shí)間內(nèi)的歷史降雨量數(shù)據(jù)和所述目標(biāo)城市河網(wǎng)至少兩個(gè)水質(zhì)斷面處一段時(shí)間內(nèi)的歷史水質(zhì)濃度數(shù)據(jù)；

3、利用麻雀搜索算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行優(yōu)化，得到預(yù)訓(xùn)練網(wǎng)絡(luò)模型；

4、將所述歷史水質(zhì)濃度數(shù)據(jù)、所述歷史流量數(shù)據(jù)和所述歷史降雨量數(shù)據(jù)作為所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型的輸入，基于所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型得到預(yù)測(cè)水質(zhì)濃度數(shù)據(jù)；

5、利用所述預(yù)測(cè)水質(zhì)濃度數(shù)據(jù)和所述歷史水質(zhì)濃度數(shù)據(jù)之間的差異調(diào)整所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型，并持續(xù)利用所述歷史水質(zhì)濃度數(shù)據(jù)、所述歷史流量數(shù)據(jù)和所述歷史降雨量數(shù)據(jù)訓(xùn)練所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型，直至達(dá)到訓(xùn)練截止條件，得到河網(wǎng)水質(zhì)預(yù)測(cè)模型；

6、基于所述河網(wǎng)水質(zhì)預(yù)測(cè)模型對(duì)所述目標(biāo)城市的河網(wǎng)水質(zhì)進(jìn)行實(shí)時(shí)預(yù)測(cè)，得到預(yù)測(cè)結(jié)果。

7、在一種可能的實(shí)現(xiàn)方式中，所述城市河網(wǎng)水質(zhì)的預(yù)測(cè)方法進(jìn)一步包括：

8、分別對(duì)所述歷史水質(zhì)濃度數(shù)據(jù)、所述歷史流量數(shù)據(jù)和所述歷史降雨量數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的歷史水質(zhì)濃度數(shù)據(jù)、預(yù)處理后的歷史流量數(shù)據(jù)和預(yù)處理后的歷史降雨量數(shù)據(jù)；

9、將所述預(yù)處理后的歷史水質(zhì)濃度數(shù)據(jù)作為所述歷史水質(zhì)濃度數(shù)據(jù)，將所述預(yù)處理后的歷史流量數(shù)據(jù)作為所述歷史流量數(shù)據(jù)，以及，將所述預(yù)處理后的歷史降雨量數(shù)據(jù)作為所述歷史降雨量數(shù)據(jù)執(zhí)行所述將所述歷史水質(zhì)濃度數(shù)據(jù)、所述歷史流量數(shù)據(jù)和所述歷史降雨量數(shù)據(jù)作為所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型的輸入的步驟。

10、在一種可能的實(shí)現(xiàn)方式中，所述分別對(duì)所述歷史水質(zhì)濃度數(shù)據(jù)、所述歷史流量數(shù)據(jù)和所述歷史降雨量數(shù)據(jù)進(jìn)行預(yù)處理包括：

11、利用所述歷史水質(zhì)濃度數(shù)據(jù)、所述歷史流量數(shù)據(jù)和所述歷史降雨量數(shù)據(jù)生成數(shù)據(jù)集，所述數(shù)據(jù)集中的一組數(shù)據(jù)包括一個(gè)所述歷史水質(zhì)濃度數(shù)據(jù)、一個(gè)所述歷史流量數(shù)據(jù)和一個(gè)所述歷史降雨量數(shù)據(jù)；

12、對(duì)所述數(shù)據(jù)集進(jìn)行正態(tài)分布檢驗(yàn)，檢驗(yàn)所述數(shù)據(jù)集中的數(shù)據(jù)是否符合正態(tài)分布；

13、若所述數(shù)據(jù)集的包括不符合正態(tài)分布的數(shù)據(jù)，則對(duì)所述不符合正態(tài)分布的數(shù)據(jù)進(jìn)行歸一化處理。

14、在一種可能的實(shí)現(xiàn)方式中，所述歸一化處理是通過(guò)以下公式進(jìn)行的：

15、

16、其中，所述xnorm為歸一化處理結(jié)果，所述xi為所述數(shù)據(jù)集中不符合正態(tài)分布的數(shù)據(jù)，所述xmin表示所述數(shù)據(jù)集中數(shù)據(jù)的最小值，所述xmax表示所述數(shù)據(jù)集中數(shù)據(jù)的最大值。

17、在一種可能的實(shí)現(xiàn)方式中，所述城市河網(wǎng)水質(zhì)的預(yù)測(cè)方法進(jìn)一步包括：

18、獲取傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型；

19、為所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型增加門(mén)控單元得到優(yōu)化后長(zhǎng)短期記憶網(wǎng)絡(luò)模型，所述門(mén)控單元包括遺忘門(mén)、輸入門(mén)和輸出門(mén)，所述遺忘門(mén)用于控制輸入所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的歷史信息對(duì)所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的影響，所述輸入門(mén)用于控制當(dāng)前數(shù)據(jù)是否進(jìn)入所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的神經(jīng)網(wǎng)絡(luò)，所述輸入門(mén)和所述遺忘門(mén)用于更新所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的神經(jīng)元狀態(tài)，所述輸出門(mén)用于控制所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的輸出；

20、所述遺忘門(mén)通過(guò)如下公式確定輸入所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的歷史信息對(duì)所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的影響：

21、ft＝σ(wf[ht-1,xt]+bf)

22、其中，ft表示t時(shí)刻所述遺忘門(mén)的輸出，σ表示sigmoid激活函數(shù)，wf表示所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型輸入回路的權(quán)重，ht-1表示t-1時(shí)刻所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型隱含層的狀態(tài)，xt表示所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型t時(shí)刻的輸入值，所述bf為第一偏差項(xiàng)；

23、所述輸入門(mén)通過(guò)如下公式控制當(dāng)前數(shù)據(jù)是否進(jìn)入所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的神經(jīng)網(wǎng)絡(luò)：

24、it＝σ(wi[ht-1,xt]+bi)

25、其中，it表示t時(shí)刻所述輸入門(mén)的輸出值，σ表示sigmoid激活函數(shù)，ht-1表示t-1時(shí)刻所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型隱含層的狀態(tài)，xt表示所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型t時(shí)刻的輸入值，所述bi為第二偏差項(xiàng)；

26、所述輸入門(mén)和所述遺忘門(mén)通過(guò)如下公式更新所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的神經(jīng)元狀態(tài)：

27、ct＝ftct-1+itc′t

28、其中，ct表示第t時(shí)刻的神經(jīng)元狀態(tài)，ct-1表示第t-1時(shí)刻的神經(jīng)元狀態(tài)，c′t表示更新后的第t時(shí)刻的神經(jīng)元狀態(tài)，ft表示t時(shí)刻所述遺忘門(mén)的輸出，it表示t時(shí)刻所述輸入門(mén)的輸出值；

29、第t時(shí)刻的神經(jīng)元狀態(tài)ct通過(guò)如下公式表示：

30、ct＝tanh(wc[ht-1,xt]+bc)

31、其中，ct表示第t時(shí)刻的神經(jīng)元狀態(tài)，tanh表示tanh激活函數(shù)，wc表示所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的第一輸入權(quán)重，ht-1表示t-1時(shí)刻所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型隱含層的狀態(tài)，xt表示所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型t時(shí)刻的輸入值，所述bc為第三偏差項(xiàng)；

32、所述輸出門(mén)通過(guò)如下公式控制所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的輸出：

33、ot＝σ(wo[ht-1,xt]+bo)

34、其中，ot表示輸出門(mén)在第t時(shí)刻的輸出，σ表示sigmoid激活函數(shù)，wo表示所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的第二輸入權(quán)重，ht-1表示t-1時(shí)刻所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型隱含層的狀態(tài)，xt表示所述傳統(tǒng)長(zhǎng)短期記憶網(wǎng)絡(luò)模型t時(shí)刻的輸入值，所述bo為第四偏差項(xiàng)；

35、將所述優(yōu)化后長(zhǎng)短期記憶網(wǎng)絡(luò)模型作為所述長(zhǎng)短期記憶網(wǎng)絡(luò)模型執(zhí)行所述利用麻雀搜索算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行優(yōu)化的步驟。

36、在一種可能的實(shí)現(xiàn)方式中，所述利用麻雀搜索算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行優(yōu)化，得到預(yù)訓(xùn)練網(wǎng)絡(luò)模型包括：

37、利用麻雀搜索算法對(duì)所述長(zhǎng)短期記憶網(wǎng)絡(luò)模型的學(xué)習(xí)率、訓(xùn)練次數(shù)、第一層隱藏層節(jié)點(diǎn)數(shù)和第二層隱藏層節(jié)點(diǎn)數(shù)進(jìn)行尋優(yōu)，對(duì)所述學(xué)習(xí)率的尋優(yōu)范圍為[0.001,0.1]，對(duì)所述訓(xùn)練次數(shù)的尋優(yōu)范圍為[10,100]，對(duì)所述第一層隱藏層節(jié)點(diǎn)數(shù)的尋優(yōu)范圍為[1,100]，對(duì)所述第二層隱藏層節(jié)點(diǎn)數(shù)的尋優(yōu)范圍為[1,100]，所述麻雀搜索算法的參數(shù)設(shè)置為種群數(shù)量10、生產(chǎn)者所占比例0.2和迭代次數(shù)20。

38、在一種可能的實(shí)現(xiàn)方式中，所述利用所述預(yù)測(cè)水質(zhì)濃度數(shù)據(jù)和所述歷史水質(zhì)濃度數(shù)據(jù)之間的差異調(diào)整所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型包括：

39、基于所述預(yù)測(cè)水質(zhì)濃度數(shù)據(jù)和所述歷史水質(zhì)濃度數(shù)據(jù)之間的差異確定損失函數(shù)；

40、所述損失函數(shù)可以通過(guò)如下公式表示：

41、

42、其中，mse表示損失函數(shù)，n表示輸入所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型的數(shù)據(jù)總量，表示所述預(yù)測(cè)水質(zhì)濃度數(shù)據(jù)，yi表示歷史水質(zhì)濃度數(shù)據(jù)；

43、基于所述損失函數(shù)調(diào)整所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型。

44、本技術(shù)還提供了一種城市河網(wǎng)水質(zhì)的預(yù)測(cè)裝置，所述城市河網(wǎng)水質(zhì)的預(yù)測(cè)裝置包括以下模塊：

45、獲取模塊，用于獲取目標(biāo)城市河網(wǎng)補(bǔ)水口處的歷史水質(zhì)數(shù)據(jù)、目標(biāo)城市河網(wǎng)補(bǔ)水口處的歷史流量數(shù)據(jù)、所述目標(biāo)城市的歷史降雨量數(shù)據(jù)和所述目標(biāo)城市河網(wǎng)至少兩個(gè)水質(zhì)斷面處的歷史水質(zhì)濃度數(shù)據(jù)；

46、優(yōu)化模塊，用于利用麻雀搜索算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行優(yōu)化，得到預(yù)訓(xùn)練網(wǎng)絡(luò)模型；

47、輸入模塊，用于將所述歷史水質(zhì)濃度數(shù)據(jù)、所述歷史流量數(shù)據(jù)和所述歷史降雨量數(shù)據(jù)作為所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型的輸入，基于所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型得到預(yù)測(cè)水質(zhì)濃度數(shù)據(jù)；

48、訓(xùn)練模塊，用于利用所述預(yù)測(cè)水質(zhì)濃度數(shù)據(jù)和所述歷史水質(zhì)濃度數(shù)據(jù)之間的差異調(diào)整所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型，并持續(xù)利用所述歷史水質(zhì)濃度數(shù)據(jù)、所述歷史流量數(shù)據(jù)和所述歷史降雨量數(shù)據(jù)訓(xùn)練所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型，直至達(dá)到訓(xùn)練截止條件，得到河網(wǎng)水質(zhì)預(yù)測(cè)模型；

49、預(yù)測(cè)模塊，用于基于所述河網(wǎng)水質(zhì)預(yù)測(cè)模型對(duì)所述目標(biāo)城市的河網(wǎng)水質(zhì)進(jìn)行實(shí)時(shí)預(yù)測(cè)，得到預(yù)測(cè)結(jié)果。

50、本技術(shù)還提供了一種電子設(shè)備，所述電子設(shè)備包括處理器以及存儲(chǔ)器：

51、所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，并將所述計(jì)算機(jī)程序傳輸給所述處理器；

52、所述處理器用于根據(jù)所述計(jì)算機(jī)程序中的指令執(zhí)行上述城市河網(wǎng)水質(zhì)的預(yù)測(cè)方法的步驟。

53、本技術(shù)還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被電子設(shè)備執(zhí)行時(shí)實(shí)現(xiàn)上述城市河網(wǎng)水質(zhì)的預(yù)測(cè)方法的步驟。

54、相較于現(xiàn)有技術(shù)，本技術(shù)具有以下有益效果：

55、本技術(shù)提供的方法并非實(shí)用傳統(tǒng)的水動(dòng)力水質(zhì)模型，而是利用麻雀搜索算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行優(yōu)化，得到預(yù)訓(xùn)練網(wǎng)絡(luò)模型?；深A(yù)訓(xùn)練網(wǎng)絡(luò)模型訓(xùn)練得到河網(wǎng)水質(zhì)預(yù)測(cè)模型。在訓(xùn)練的過(guò)程中，首先獲取目標(biāo)城市河網(wǎng)補(bǔ)水口處的歷史水質(zhì)數(shù)據(jù)、目標(biāo)城市河網(wǎng)補(bǔ)水口處的歷史流量數(shù)據(jù)、目標(biāo)城市的歷史降雨量數(shù)據(jù)和目標(biāo)城市河網(wǎng)至少兩個(gè)水質(zhì)斷面處的歷史水質(zhì)濃度數(shù)據(jù)。將歷史水質(zhì)濃度數(shù)據(jù)、歷史流量數(shù)據(jù)和所述歷史降雨量數(shù)據(jù)作為預(yù)訓(xùn)練網(wǎng)絡(luò)模型的輸入，基于預(yù)訓(xùn)練網(wǎng)絡(luò)模型得到預(yù)測(cè)水質(zhì)濃度數(shù)據(jù)。利用預(yù)測(cè)水質(zhì)濃度數(shù)據(jù)和歷史水質(zhì)濃度數(shù)據(jù)之間的差異調(diào)整預(yù)訓(xùn)練網(wǎng)絡(luò)模型，并持續(xù)利用歷史水質(zhì)濃度數(shù)據(jù)、歷史流量數(shù)據(jù)和歷史降雨量數(shù)據(jù)訓(xùn)練所述預(yù)訓(xùn)練網(wǎng)絡(luò)模型，直至達(dá)到訓(xùn)練截止條件，得到河網(wǎng)水質(zhì)預(yù)測(cè)模型?；诤泳W(wǎng)水質(zhì)預(yù)測(cè)模型對(duì)所述目標(biāo)城市的河網(wǎng)水質(zhì)進(jìn)行實(shí)時(shí)預(yù)測(cè)，得到預(yù)測(cè)結(jié)果。本技術(shù)的方法可以更好的捕捉數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系，本技術(shù)提供的方法在訓(xùn)練模型時(shí)選用了目標(biāo)城市河網(wǎng)至少兩個(gè)水質(zhì)斷面處的歷史水質(zhì)濃度數(shù)據(jù)，通過(guò)捕捉不同水質(zhì)斷面處的歷史水質(zhì)濃度數(shù)據(jù)，可以減小因空間因素對(duì)預(yù)測(cè)準(zhǔn)確性的影響。由于選取的歷史數(shù)據(jù)均為一段時(shí)間內(nèi)的，通過(guò)捕捉一段時(shí)間內(nèi)選取的歷史數(shù)據(jù)之間的長(zhǎng)期依賴關(guān)系，可以減小因時(shí)間因素對(duì)預(yù)測(cè)準(zhǔn)確性的影響。本技術(shù)提供的方法可以更準(zhǔn)確的對(duì)城市河網(wǎng)水質(zhì)進(jìn)行預(yù)測(cè)。